АНСАМБЛЬДІК ТӘСІЛ НЕГІЗІНДЕ КЕСКІНДІ ӨҢДЕУДІҢ ТИІМДІ АЛГОРИТМІН ҚҰРУ
DOI:
https://doi.org/10.32014/2024.2518-1726.263Ключевые слова:
Компьютерная томография, CNN, глубокое обучение, медицинская визуализация, обнаружение инсульта, ResNet-50, Сегментация, VGG-19Аннотация
По данным Всемирной организации здравоохранения, более 17 миллионов человек во всем мире ежегодно умирают от болезней системы кровообращения, половина из которых умирает от ишемической болезни сердца и инсульта головного мозга. Прогнозные оценки показывают, что, сохраняя текущие темпы роста, смертность от заболеваний системы кровообращения может достигать 25 миллионов человек в год во всем мире к 2024 году.
Инсульт-это структурно сложное заболевание, основанное на различных патогенетических механизмах. Учитывая многокомпонентность этой патологии, а также ее сложную структуру, медицинское сообщество разработало различные алгоритмы оценки, основанные на распознавании различных симптомов. Определение эффективности этих алгоритмов было признано наиболее важным. Неправильные симптомы возникают в результате неточностей, сделанных радиологом в процессе ручной аннотации изображений компьютерной томографии. Помогает пациенту предотвратить ошибки, возникающие при постановке диагноза.
Сверточная нейронная сеть (CNN) используется для классификации изображений в наборе данных об инсульте мозга. Поскольку набор данных невелик, обучение всей нейронной сети не дает хороших результатов, поэтому для получения более точных результатов модельное обучение использует концепцию трансферного обучения. Трансферное обучение-это метод, при котором модель конкретной задачи используется в качестве отправной точки для другой задачи. В частности, для поставленной задачи в работе используется модель Inception v3 со шкалами Imagenet. При использовании машинного обучения был получен набор данных с компьютерными томографическими изображениями 2515 нормальных и пораженных инсультом областей мозга. Задача созданной нейронной сети-классифицировать данное изображение, то есть определить, является ли оно нормальным или поврежденным. Используя этот алгоритм, точность увеличилась с 65 процентов до 99,2 процента, а затраты снизились с 7 532 процентов до 0 756 процентов. Ключевые показатели: точность 99,6%, обзор 99,2%, оценка F1 составила 99,1%.
